以用户为中心的微博信息转发研究与预测
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 问题的提出 | 第9-10页 |
| 1.3 文献综述 | 第10-12页 |
| 1.3.1 信息传播研究现状 | 第10-11页 |
| 1.3.2 信息转发预测研究现状 | 第11-12页 |
| 1.4 研究主要内容 | 第12页 |
| 1.5 本文研究创新 | 第12-14页 |
| 第2章 微博信息转发行为与研究方法 | 第14-22页 |
| 2.1 微博转发行为研究 | 第14-16页 |
| 2.1.1 微博转发特征 | 第14-15页 |
| 2.1.2 研究问题描述 | 第15-16页 |
| 2.2 相关技术及模型理论 | 第16-21页 |
| 2.2.1 支持向量机 | 第16-17页 |
| 2.2.2 人工神经网络 | 第17-19页 |
| 2.2.3 随机森林 | 第19-21页 |
| 2.3 数据的处理分析 | 第21-22页 |
| 第3章 信息数据的获取与描述 | 第22-27页 |
| 3.1 数据集的获取 | 第22页 |
| 3.2 数据集描述 | 第22-24页 |
| 3.3 数据预处理 | 第24-27页 |
| 3.3.1 数据关联处理 | 第24页 |
| 3.3.2 数据描述分析 | 第24-26页 |
| 3.3.3 样本识别 | 第26-27页 |
| 第4章 微博转发影响因素分析与模型构建 | 第27-41页 |
| 4.1 转发影响因素分析 | 第27-32页 |
| 4.1.1 接收用户转发积极度 | 第27-28页 |
| 4.1.2 发布用户影响力 | 第28-29页 |
| 4.1.3 话题相似度 | 第29-30页 |
| 4.1.4 用户交互强度 | 第30-31页 |
| 4.1.5 影响因素汇总分析 | 第31-32页 |
| 4.2 微博信息转发模型构建 | 第32-41页 |
| 4.2.1 支持向量模型 | 第33-35页 |
| 4.2.2 神经网络模型 | 第35-38页 |
| 4.2.3 随机森林模型 | 第38-41页 |
| 第5章 实验结果分析与预测 | 第41-46页 |
| 5.1 实验模型性能比较 | 第41-42页 |
| 5.2 模型特点与选择 | 第42-43页 |
| 5.2.1 模型适用特点 | 第42页 |
| 5.2.2 模型选择的依据 | 第42-43页 |
| 5.3 基于模型因素分析与转发预测 | 第43-46页 |
| 5.3.1 基于模型的因素分析 | 第43-44页 |
| 5.3.2 基于模型的转发预测 | 第44-46页 |
| 结论与展望 | 第46-48页 |
| 参考文献 | 第48-51页 |
| 致谢 | 第51-52页 |
